211service.com
Superdatamaskinen i halvliterstørrelse som selskaper streber etter
Nvidias DGX-1 superdatamaskin er designet for å trene dyplæringsmodeller raskere enn konvensjonelle datasystemer gjør.
For selskaper som sliter med komplekse dataprosjekter drevet av kunstig intelligens, er et system som Nvidia kaller en AI-superdatamaskin i en boks en velkommen utvikling.
Tidlige kunder til Nvidia DGX-1 , som kombinerer maskinlæringsprogramvare med åtte av brikkeprodusentens høyeste grafiske prosesseringsenheter (GPUer), sier at systemet lar dem trene analytiske modeller raskere, muliggjør større eksperimentering og kan legge til rette for gjennombrudd innen vitenskap, helsevesen og finans. tjenester.
Dataforskere har utnyttet GPU-er for å akselerere dyp læring – en AI-teknikk som etterligner måten menneskelige hjerner behandler data på – siden 2012 , men mange sier at dagens datasystemer begrenser arbeidet deres. Raskere datamaskiner som DGX-1 lover å gjøre dyplæringsalgoritmer kraftigere og la dataforskere kjøre dyplæringsmodeller som tidligere ikke var mulig.
DGX-1 er ikke en magisk løsning for alle selskap. Det koster $129 000, mer enn systemer som bedrifter kan sette sammen selv fra individuelle komponenter. Den kommer også med en fast mengde systemminne og GPU-kort. Men fordi de relevante delene og programmene er forhåndsinstallert i et metallkabinett på størrelse med en middels koffert, og siden den kobler sammen avansert maskinvare med rask tilkobling, hevder Nvidia at DGX-1 er enklere å sette opp og raskere til å analysere data enn tidligere GPU systemer. Dessuten antyder den positive mottakelsen DGX-1 har tiltrukket seg i løpet av de første månedene med tilgjengelighet, at lignende alt-i-ett dyplæringssystemer kan hjelpe organisasjoner med å kjøre flere AI-eksperimenter og forbedre dem raskere. Selv om DGX-1 er det eneste systemet i sitt slag i dag, vil Nvidias produksjonspartnere gi ut nye versjoner av superdatamaskinen tidlig i 2017.
Færre enn 100 selskaper og organisasjoner har kjøpt DGX-1-er siden de begynte å sende i høst, men tidlige brukere sier at Nvidias påstander om systemet ser ut til å holde mål. Jackie Hunter, administrerende direktør i London-basert Velvillig AI sin biovitenskapelige arm, BenevolentBio, sier at datavitenskapsteamet hennes hadde modelltrening på DGX-1 samme dag som den ble installert. Hun sier at teamet var i stand til å utvikle flere store modeller designet for å identifisere egnede molekyler for medikamenter innen åtte uker. Disse modellene trener tre til fire ganger raskere på DGX-1 enn på oppstartens andre GPU-systemer, ifølge Hunter. Vi hadde flere modeller som opprinnelig tok uker å trene, men vi kan nå gjøre dette på dager og timer i stedet, legger hun til.
Massachusetts General Hospital har en DGX-1 i et av sine datasentre og har en til på bestilling. Den sier at den trenger GPU-superdatamaskiner som DGX-1 for å knuse store mengder forskjellige typer data. MGHs senter for klinisk datavitenskap , som koordinerer tilgang til sykehusets DGX-1 over hele Boston-området Partners HealthCare-system , sier prosjekter som bruker superdatamaskinen vil involvere analysering av patologi- og radiologibilder, elektroniske helsejournaler og genomisk informasjon.
Hvis du inkorporerer ikke bare røntgen, men en hel rekke klinisk informasjon, faktureringsinformasjon og sosiale medier som indikatorer på en pasients helse, trenger du virkelig store mengder GPU-datakraft for å knuse det, sier senterdirektør Mark Michalski.
Flere andre organisasjoner distribuerer DGX-1-er for å forstå enorme mengder data relatert til helsevesen og medisinsk forskning. Argonne og Oak Ridge nasjonale laboratorier bruker sine til å studere opprinnelsen til kreft og identifisere nye terapier som en del av Joe Bidens Cancer Moonshot-prosjekt.
DGX-1-er er også i aktiv bruk i AI-forskningsmiljøet. Nvidia donerte den første DGX-1 den produserte til det ideelle AI-forskningsselskapet OpenAI og ga ni andre systemer til universiteter med fremtredende dyplæringsavdelinger, inkludert New York University, Stanford University og University of Toronto.
Multinasjonale selskaper snapper også opp systemene. SAP, som lager programvare for å hjelpe bedrifter med å administrere sine operasjoner og kunderelasjoner, har installert DGX-1 i to av sine globale innovasjonssentre , en i Potsdam, Tyskland, og en i Ra'anana, Israel, og kjører proof-of-concept-prosjekter på systemene for å identifisere de beste måtene å bruke deres skala og hastighet på, sier visepresident Markus Noga. Fidelity Labs , FoU-armen til Fidelity Investments, eier også to DGX-1-er og planlegger å bruke dem til å bygge nevrale nettverk eller datasystemer basert på den menneskelige hjernen, sier laboratoriedirektør Sean Belka.
Selv de som allerede eier en DGX-1 vil sannsynligvis fortsette å bruke en blanding av høyytelses datasystemer, inkludert cloud computing og andre GPU-baserte systemer, i stedet for å flytte alt sitt dyplæringsarbeid til superdatamaskinen. Andre selskaper kjøper kanskje ikke en i utgangspunktet på grunn av dens høye forhåndskostnad og faste konfigurasjon.
Men mange synes å mene prisen er verdt det. BenevolentAI anslår at kostnadene ved å leie nok servere på Amazon Web Services for å matche DGX-1s ytelse vil overgå systemets prislapp på $129 000 innen et år. Greg Diamos, seniorforsker i Baidus Silicon Valley AI Lab , som er ekspert på databehandling med høy ytelse, erkjenner at superdatamaskinen er dyr, men sier at prisen gjenspeiler konfigurasjonsarbeidet og støtten Nvidia gir. Baidus AI Lab har ikke en DGX-1, men er i ferd med å oppgradere systemet til de samme GPU-kortene, og forventer at den nye teknologien vil akselerere AI-forskningen med omtrent 3,5 ganger, ifølge Diamos.
Selskaper som er fokusert på å bygge dyplæringsapplikasjoner og ikke vil bekymre seg for å designe maskinvare- og programvareplattformen de kjører på, vil sannsynligvis vurdere DGX-1, sier Diamos. Men jeg forventer at større kunder som gjør alt dette arbeidet internt, kjøper individuelle GPUer og integrerer dem selv i tilpassede HPC-klynger i stedet for å betale premien for DGX-1.